論文の概要: Optimal Lattice Boltzmann Closures through Multi-Agent Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2504.14422v1
• Date: Sat, 19 Apr 2025 23:31:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-30 00:43:00.463218
• Title: Optimal Lattice Boltzmann Closures through Multi-Agent Reinforcement Learning
• Title（参考訳）: マルチエージェント強化学習による最適格子ボルツマン閉包
• Authors: Paul Fischer, Sebastian Kaltenbach, Sergey Litvinov, Sauro Succi, Petros Koumoutsakos,
• Abstract要約: 粗粒化LBMシミュレーションの安定性と精度を大幅に向上させる,データ駆動型マルチエージェント学習(MARL)手法を提案する。 MARL閉包はシミュレーションを安定化し、より高価な完全に解決されたシミュレーションのエネルギースペクトルを復元する。
• 参考スコア（独自算出の注目度）: 2.52656394551851
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Lattice Boltzmann method (LBM) offers a powerful and versatile approach to simulating diverse hydrodynamic phenomena, spanning microfluidics to aerodynamics. The vast range of spatiotemporal scales inherent in these systems currently renders full resolution impractical, necessitating the development of effective closure models for under-resolved simulations. Under-resolved LBMs are unstable, and while there is a number of important efforts to stabilize them, they often face limitations in generalizing across scales and physical systems. We present a novel, data-driven, multiagent reinforcement learning (MARL) approach that drastically improves stability and accuracy of coarse-grained LBM simulations. The proposed method uses a convolutional neural network to dynamically control the local relaxation parameter for the LB across the simulation grid. The LB-MARL framework is showcased in turbulent Kolmogorov flows. We find that the MARL closures stabilize the simulations and recover the energy spectra of significantly more expensive fully resolved simulations while maintaining computational efficiency. The learned closure model can be transferred to flow scenarios unseen during training and has improved robustness and spectral accuracy compared to traditional LBM models. We believe that MARL closures open new frontiers for efficient and accurate simulations of a multitude of complex problems not accessible to present-day LB methods alone.
• Abstract（参考訳）: 格子ボルツマン法 (Lattice Boltzmann method, LBM) は、様々な流体力学現象をシミュレートし、マイクロ流体学から空力学まで、強力で多用途な手法である。 これらのシステムに固有の幅広い時空間スケールは、現在完全に非現実的であり、未解決シミュレーションのための効果的なクロージャモデルの開発を必要としている。 未解決のLBMは不安定であり、安定化のための重要な取り組みがいくつかあるが、スケールや物理システム全体にわたる一般化の限界に直面していることが多い。 本稿では,データ駆動型マルチエージェント強化学習(MARL)手法を提案する。 提案手法は畳み込みニューラルネットワークを用いてシミュレーショングリッドを介してLBの局所緩和パラメータを動的に制御する。 LB-MARLフレームワークは、乱流コルモゴロフ流で展示されている。 MARLの閉包はシミュレーションを安定化させ,計算効率を保ちながら,はるかに高コストで完全に解決されたシミュレーションのエネルギースペクトルを復元する。 学習されたクロージャモデルは、トレーニング中に見えないフローシナリオに転送することができ、従来のLBMモデルと比較して堅牢性とスペクトル精度を改善した。 MARLの閉鎖は、現在のLB法だけではアクセスできない多くの複雑な問題の効率的かつ正確なシミュレーションのために新しいフロンティアを開放すると考えている。

関連論文リスト

• Implicit Neural Differential Model for Spatiotemporal Dynamics [5.1854032131971195]
  In-PiNDiffは、安定時間力学のための新しい暗黙の物理積分型ニューラル微分可能解法である。 深い平衡モデルにインスパイアされたIm-PiNDiffは、暗黙の固定点層を用いて状態を前進させ、堅牢な長期シミュレーションを可能にする。 Im-PiNDiffは優れた予測性能、数値安定性の向上、メモリとコストの大幅な削減を実現している。
  論文  参考訳（メタデータ） (2025-04-03T04:07:18Z)
• Stability-Aware Training of Machine Learning Force Fields with Differentiable Boltzmann Estimators [11.699834591020057]
  本稿では,機械学習力場のためのマルチモーダルトレーニングであるStABlEトレーニングを提案する。 StABlEトレーニングは、不安定な領域を探すためにMDシミュレーションを並行して実行し、監督を通じて不安定を補正する。 有機分子, テトラペプチド, 凝縮相系にまたがる方法論を実証する。
  論文  参考訳（メタデータ） (2024-02-21T18:12:07Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Distributionally Robust Model-based Reinforcement Learning with Large State Spaces [55.14361269378122]
  強化学習における3つの大きな課題は、大きな状態空間を持つ複雑な力学系、コストのかかるデータ取得プロセス、トレーニング環境の展開から現実の力学を逸脱させることである。 広範に用いられているKullback-Leibler, chi-square, および全変分不確実性集合の下で, 連続状態空間を持つ分布ロバストなマルコフ決定過程について検討した。 本稿では,ガウス過程と最大分散削減アルゴリズムを用いて,多出力名目遷移力学を効率的に学習するモデルベースアプローチを提案する。
  論文  参考訳（メタデータ） (2023-09-05T13:42:11Z)
• Perimeter Control Using Deep Reinforcement Learning: A Model-free Approach towards Homogeneous Flow Rate Optimization [28.851432612392436]
  周辺制御は、交通密度が臨界値以下であることを保証するため、地域間の移動フローを制御することにより、保護領域内の交通効率を高く維持する。 既存のアプローチは、ネットワーク伝送モデル(NTM)とマクロ基礎図(MFD)に依存するかによって、モデルベースまたはモデルフリーに分類することができる。
  論文  参考訳（メタデータ） (2023-05-29T21:22:08Z)
• Improving and generalizing flow-based generative models with minibatch optimal transport [90.01613198337833]
  連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。 CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。 我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
  論文  参考訳（メタデータ） (2023-02-01T14:47:17Z)
• Guaranteed Conservation of Momentum for Learning Particle-based Fluid Dynamics [96.9177297872723]
  本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。 我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。 提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2022-10-12T09:12:59Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• Efficient Model-based Multi-agent Reinforcement Learning via Optimistic Equilibrium Computation [93.52573037053449]
  H-MARL (Hallucinated Multi-Agent Reinforcement Learning) は,環境と数回交流した後の平衡政策を学習する。 自律運転シミュレーションベンチマークにおいて,本手法を実験的に実証した。
  論文  参考訳（メタデータ） (2022-03-14T17:24:03Z)
• Scientific multi-agent reinforcement learning for wall-models of turbulent flows [5.678337324555036]
  大規模シミュレーションのための壁モデル発見のための科学的マルチエージェント強化学習(SciMARL)を紹介する。 現在のシミュレーションは、完全に解決されたシミュレーションよりも数桁の計算コストを削減している。
  論文  参考訳（メタデータ） (2021-06-21T14:30:10Z)
• Real-time simulation of parameter-dependent fluid flows through deep learning-based reduced order models [0.2538209532048866]
  還元次数モデル (ROM) はパラメータ依存の流体力学問題を高速に近似する。 ディープラーニング(DL)ベースのROMは、非線形トライアル多様体と還元力学の両方を非侵襲的に学習することで、これらの制限をすべて克服する。 得られたPOD-DL-ROMは、シリンダーベンチマークの周囲の流れ、固定された剛性ブロックに付着した弾性ビームとラミナー非圧縮性フローとの流体構造相互作用、大脳動脈瘤内の血流のほぼリアルタイムに正確な結果をもたらすことが示されている。
  論文  参考訳（メタデータ） (2021-06-10T13:07:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。